That’s not fair: Children’s neural computations of fairness and their impact on resource allocation behaviors and judgments.
Notice bibliographique
Résumé
The ability to distinguish between mere equality in resource distributions and fairness based on a broader range of contextual factors is of paramount importance in social decision making and is a critical component of morality. Children's developmental shift from viewing inequality as a dichotomous moral issue toward a more nuanced understanding of partial inequality has been well documented across middle childhood and is attributed to a host of potential theoretical underpinnings, including developing number concept, increased regard for one's social status, and a maturing concept of fairness. The current study examined the electrophysiological markers associated with children's (N = 83; 4 to 8 years of age) third-party evaluations of equal, slightly unequal, and extremely unequal resource distributions, documenting the timing of fairness considerations. It further explored the link between individual differences in these neural computations and children's allocation behaviors and judgments. Event-related potentials demonstrated an early differentiation between equality and any type of inequality reflected by a medial frontal negativity. Later (after 500 ms), extreme inequality was discriminated from equality and slight inequality. Differences in later waveforms predicted sharing and third-party contextual resource distributions, accounting for wealth and merit. These results illuminate the multifaceted nature of developing neural computations of fairness and illustrate the value of a multiple levels of analysis approach in contributing theoretical clarity toward the developmental science of moral cognition and behavior. (PsycINFO Database Record (c) 2019 APA, all rights reserved).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».